基于结构方程的城市低收入通勤者活动-出行行为模型

程 龙 陈学武

(东南大学城市智能交通江苏省重点实验室，南京210096)

(东南大学现代城市交通技术江苏高校协同创新中心，南京210096)

交通出行对每个居民的日常生活都十分重要.但低收入通勤者由于对出行成本的负担程度低，较少参与家庭外的活动，出行机动性也较差.低收入居民的出行特征有别于其他人群[1-3]:出行距离短、出行频率少，更加依赖非机动化交通工具和公共交通.在“交通公平性”的目的和背景下，解决低收入居民的日常出行问题显得十分重要.出行作为一种派生性需求，个体基于活动，通过安排出行OD、出行时间和出行方式来组织日常生活，研究表明将活动参与纳入出行需求模型可以提高模型预测能力.而活动参与和出行模式之间的互动机理能够有效地通过结构方程模型揭示[4-5].

结构方程模型(structural equations model，SEM)最早用于建立活动和出行的时间分配模型.Gould等[6]应用结构方程模型探索节省的出行时间如何转化为活动参与.Fujii等[7]基于结构方程研究新通车的高速公路对通勤者下班后休闲活动需求的影响，分析社会经济属性、活动模式、出行生成和出行行为之间的关系.Kuppam等[8]得出在家活动与家庭外活动有明显的负相关.Chung等[9]基于韩国首尔的出行调查数据分析社会经济属性、活动参与和出行行为之间的直接效应、间接效应和总体效应，认为社会经济属性和出行行为的关系在发展中国家和发达国家呈现相似的特征.Fu等[10]利用结构方程模型表明不同人群社会经济属性与活动-出行的关系呈现差异性，需要对不同人群做针对分析.除了社会经济属性，可达性也会对通勤者的活动-出行模式产生显著影响，包括影响出行时间、费用、频率和方式选择[2，11].然而现有的研究主要针对整个城市层面的出行特征分析，未能聚焦低收入通勤者这一特定人群的出行和活动模式.

本文则重点分析低收入通勤者的活动-出行行为，同时将可达性纳入模型参数，揭示个人社会经济属性和可达性对活动-出行变量(即活动参与、出行生成和方式选择)的影响，以及活动-出行变量之间的互动机理.

1 结构方程模型

本文旨在应用结构方程分析低收入通勤者社会经济属性、可达性、活动参与、出行生成和方式选择之间的相互关系.传统的多元回归分析难以考虑如此多的变量，而结构方程模型的优点在于能够同时分析并处理多个因变量.不含潜变量的结构方程为[8]

式中，y表示p个内生变量组成的向量;x表示q个外源变量组成的向量;B表示内生变量间的随机联系矩阵;Γ表示外源变量对内生变量的直接随机效应矩阵;ζ表示结构方程的残差项，反映了在方程中未能被解释的部分.在本文中，外源变量指社会经济属性和可达性;内生变量指活动参与、出行生成和方式选择.

结构方程模型是验证性结构分析，而非探索性结构分析，因此该模型中需要构建明确的内部方程结构，形成关于一组变量间相互关系的模型，即假设模型.经过抽样调查后，获得一组观测变量的数据和此数据产生的协方差矩阵S.根据样本的协方差矩阵S和假设的模型，用数学方法找出模型成立时隐含的理论协方差矩阵∑(θ)(θ是模型的参数)，该矩阵既符合模型，又与S在某种意义上最接近.∑(θ)与模型的路径参数有关，∑(θ)与样本的协方差矩阵S的差距越小，表示模型越能吻合数据[12].设x的协方差矩阵∑xx(θ)=Φ，残差向量的协方差矩阵为Ψ，则可推导出

在SEM分析中，拟合目标是求参数使得模型隐含的协方差矩阵∑(θ)与样本协方差矩阵S的残差最小.因极大似然估计具有渐近无偏性、渐近有效性、尺度不变性等良好性质，并且该方法可以对假设模型进行整体检验，所以本文采用极大似然估计法对模型进行估计.

2 数据获取及准备

数据来源于2013年在南京市组织开展的居民一日活动-出行调查.此调查以家庭作为调查对象，采取居委会入户调查的形式.调查家庭中6岁以上所有成员一日(工作日)的所有活动记录，包括出行信息(出行目的、方式、时间和出行起终点).此外，调查采集了出行者的社会经济属性及家庭特征.经过数据有效性检验后，共获得5 504个有效出行样本.被调查家庭分年总收入分布如表1所示.

表1 被调查家庭的年总收入分布

经济合作与发展组织提出的国际贫困线标准为当地人均可支配收入的50%[13].根据该定义，2013年南京的贫困标准为人均可支配收入2万元/年.通过调查得到的家庭年总收入和家庭规模可以计算个人年收入.因此，1 722个样本被认为是低收入居民，其余3 782个样本为非低收入居民.同时通过职业属性，最终纳入模型分析的低收入通勤者有610个有效样本，其中男性比例占52%.低收入通勤者的社会经济属性统计特征见表2.贫困家庭的规模较大，平均为3.5人.小汽车拥有量为0.37辆/家庭，远低于非低收入家庭的0.70辆/家庭.低收入通勤者的自行车和电动车拥有量均为1.0辆/家庭.较多地居住在城市外围，据统计69.5%的低收入者居住地位于主城区以外.驾照持有率和公交IC卡拥有率都较低，分别为26.1%和24.3%.其中，居住地位置、性别、驾照持有、公交卡持有和职业是哑元变量.模型中的可达性变量用居住地人口密度和居住地就业岗位密度2个指标衡量(交通小区单位面积内的人口数量和就业岗位数量为1 000个/km2).从表2可见，低收入居民居住地人口密度远大于就业岗位密度，存在职住分离的现象，这也进一步带来了出行困难.

表2 低收入通勤者的社会经济属性统计特征

对低收入通勤者的活动-出行模式特征进行统计，结果见表3，其中生存型活动指上班、上学和公务，维持型活动指购物、探亲访友和看病，休闲型活动指社交娱乐.低收入通勤者较多进行生存型活动，较少参与维持型活动和休闲型活动，生存型时耗为 8.37 h/d，非零样本的均值为 8.93 h/d，而维持型活动和休闲型活动的时耗分别为0.16和0.18 h/d.出行链指居民从家出发，经过一系列的出行后，再次回到家的过程.通过对调查数据的分析，提炼出3种典型的出行链，分别是简单工作链(1 d中只进行1次工作活动)、简单非工作链(1 d中只进行1次非工作活动)和复杂链(1 d中至少进行2次活动).低收入通勤者的出行链平均为1.14个/d，其中大部分为简单工作链，为 0.94个/d.电动车是低收入通勤者日常出行采用的主要交通工具，为0.70次/d.最常用的机动化出行方式是公交车，为0.49次/d，小汽车的出行比例最小，为0.26 次/d，仅占10.9%.

表3 低收入通勤者活动-出行模式统计特征

由于本研究涉及个体社会经济属性、可达性、活动参与变量、出行生成变量和方式选择变量之间的相关关系，变量数量众多，相互之间关系层次复杂，为了提高结构方程初始模型设定的准确性和效率，需要对各变量间的关系进行显著性检验.卡方检验(Pearson's chi-squared)用于检验离散变量与离散变量之间的显著性，单因素方差分析(ANOVA)用于检验离散变量与连续变量之间的显著性，相关性分析用于检验连续变量与连续变量之间的显著性.从显著性结果特征发现，居住地位置、驾照持有和职业3个变量与其他变量之间的相关性不显著，因此在后续建模中不予考虑.

3 模型设定和估计结果

根据已有的研究结果，人们往往会根据活动的重要性和等级高低来分配时间[9].也就是说，当人们花更多的时间在生存型活动上时，他们花费在维持型和休闲型活动上的时间会相应减少.此外，当人们花更多的时间在维持型活动上时，往往花费更少的时间用于休闲娱乐.模型设定示意如图1所示，表明了社会经济属性、可达性、活动参与、出行生成和方式选择之间的关系，实线箭头表示两者之间存在直接效应.表征活动参与的指标有生存型活动时耗、维持型活动时耗和休闲型活动时耗，表征出行生成的指标有简单工作链数、简单非工作链数和复杂工作链.表征方式选择的指标为各交通工具的使用频率.

图1 社会经济属性、可达性与活动-出行的关系模型示意图

结构方程模型中变量间的关系可以通过直接效应D、间接效应I和总体效应T来表示，总体效应为直接效应和间接效应之和.模型估计结果如表4和5所示，由表可得模拟拟合指标为:卡方值Chi-square为117.25，自由度 df为 103，p-value 为0.36.结果表示模型估算假设不被拒绝，反映最终模型在统计意义上与最优模型接近.此外，拟合指数近似误差均方根RMSEA为0.014，拟合优度指数GFI为0.98，调节拟合优度指数AGFI为0.96，关键变量CN为733(≥200即可).以上指标均说明模型拟合得很好.

1)社会经济属性对活动参与和出行生成的影响.从表4可以看出，随着低收入通勤者家庭规模的增大，复杂出行链数减少(T=－0.06).当自行车的拥有量增加时，简单非工作出行链数会随之增加(T=0.05)，复杂工作链数会随之减少(T=－0.02)，然而小汽车拥有率和电动车拥有率对活动参与和出行生成没有显著影响.此外，女性在生存型活动上花费的时间较少(生存型活动时耗的总体效应TSub_d=－0.55)，在维持型和休闲型活动花费的时间较多(维持型活动时耗的总体效应TMain_d=0.08，休闲型活动时耗的总体效应TLei_d=0.08)，她们的简单工作链数也较少(简单工作链的总体效应THwh=－0.04).这是因为低收入家庭中女性受雇佣的比例较低，通勤活动少，较多地承担家庭事务.随着年龄的增加，通勤者的生存型活动时耗减少，维持型活动时耗增加.年龄对复杂工作链数有正影响(T=0.06)，也就是说年龄大的通勤者更愿意选择复杂出行链出行.

2)社会经济属性对方式选择的影响.从家庭规模对电动车、自行车和步行的使用频率总体效应可以看出，家庭规模较大的通勤者不愿意选择非机动化的交通工具，电动车、自行车、步行出行的总体效应分别为 Tmoped= － 0.08，Tbicycle= － 0.06，Twalk=－0.06，这是因为电动车、自行车载人能力有限，难以实现多人一起出行.当某种交通工具的拥有量增加时，其相应的出行选择概率也会相应增加，其他交通工具的选择概率则会有所降低.比如，当小汽车拥有量增加时，低收入通勤者选择小汽车的频率增加(小汽车出行频率的总体效应为 Tcar=0.61)，公交车、电动车和自行车的使用频率降低(Ttansit= －0.15，Tmoped= －0.21，Tbicycle= －0.34).需要指出的是自行车的拥有量对小汽车的出行选择有正间接效应，该效应主要来自简单非工作链的间接作用.自行车拥有量对简单非工作链有正直接效应(D=0.05)，简单非工作链对小汽车出行有正直接效应(D=0.19，如表5所示)，因此，自行车拥有量对小汽车出行产生了正间接效应.

女性通勤者更乐意选择公交车、电动车、自行车和步行出行，选择小汽车出行的比例较少(Dcar=－0.27).这是由于低收入家庭中女性社会地位低，小汽车交通工具男性有优先使用权.年龄与公交车使用负相关(T=－0.19)，与电动车使用正相关(T=0.31).受教育水平较高的通勤者更多选择机动化的交通工具，如小汽车和公交车.此外，当出行者拥有公交IC卡时，公交车出行的概率增加(T=0.44)，小汽车出行的概率降低(T= －0.15).低收入者对价格敏感，在南京使用公交卡出行享受票价优惠，因此持有公交卡会更乐意选择公交出行.

3)可达性对活动参与、出行生成和方式选择的作用.可达性变量对低收入通勤者的出行生成和方式选择有着显著影响.较高的人口密度鼓励通勤者从事更多的简单非工作链(T=0.02)和复杂链(T=0.02).也就意味着当人口密度增加1 000人/km2时，低收入者每天的简单工作链和复杂链分别增加0.02和0.02.若居住地的人口密度增大时，电动车、自行车和步行的使用频率也会增大，主要体现在间接效应上(Imoped=0.03，Ibicycle=0.03，Twalk=0.05).此外，居住地的就业岗位密度对公交车出行有正直接效应(D=0.06)，表明若就业岗位密度增加1 000人/km2，出行者选择公交出行次数增加0.06 次/d.

表4 低收入通勤者社会经济属性、可达性对活动-出行的影响

表5 低收入通勤者活动-出行变量间的相互关系

表5显示，活动参与、出行生成和方式选择等内生变量间的相互影响.从 THwh=0.07，THoh=－0.07，THwoh= －0.02 结果看出，生存型活动时耗对简单工作链有正效应，对简单非工作链和复杂链有负效应.维持型活动时耗对复杂链有正效应(T=0.09).若从事较多休闲型活动，通勤者的简单工作链数会随之减少，THwh=－0.13;简单非工作链和复杂链数相应增加，THoh=0.08，THwoh=0.03.可以理解为，当休闲型活动增加1h，简单工作链数减少0.13，简单非工作链和复杂链分别增加0.08和0.03.从表5可以发现，当通勤者的生存型活动时耗增加时，使用小汽车、自行车和步行的频率降低.维持型活动和休闲型活动对公交车的使用有正效应.当低收入通勤者从事简单工作链时，他们更乐意选择公交车出行(T=0.04)，但从事简单非工作链时，更愿意选择小汽车出行(T=0.19).复杂链对电动车、自行车和步行有正效应，Tmoped=1.24，Tbicycle=0.92，Twalk=1.06，因为这些交通工具自身灵活性较高，能够满足在一次出行中完成多项活动的需求.

此外，当某种交通工具使用频率增加时，其他交通工具的使用频率会降低，如小汽车对其他交通方式使用的影响(Ttransit= －0.24，Tmoped= －0.35，Tbicycle=－0.13).可以理解为当小汽车的使用次数增加1次，公共交通、电动车、自行车和步行的使用次数分别减少0.24，0.35，0.13，0.30 次/d.这也反映了各交通工具使用之间呈竞争型关系，而非互补型关系.

总体来说，模型结果表明社会经济属性、可达性对低收入通勤者的活动参与、出行生成和方式选择有显著影响，活动参与、出行生成和方式选择间也有着较强的相互作用.

4 结语

基于南京活动-出行数据，利用结构方程模型分析社会经济属性、可达性外源变量对低收入通勤者活动参与、出行生成和方式选择等内生变量的影响.同时分析了活动参与、出行生成和方式选择间的相互关系，将以往结构方程模型中活动参与至出行生成延伸拓展到方式划分阶段.既定量地分析了内生变量的直接影响因素，又研究了其间接影响因素，全面考察了活动-出行行为的影响机理.

研究发现，社会经济属性、可达性主要通过活动参与间接影响出行生成，而方式选择主要受社会经济属性和出行生成的直接影响.结论有助于揭示影响低收入通勤者活动-出行的因素，为交通系统资源优化配置、建立健全低收入人群出行保障机制提供理论基础，如发展公共交通被认为是提高低收入人群机动性的重要方式.本研究发现女性比男性更乐意选择公交车出行，公交优先政策可以首先考虑女性通勤者的需求，如较低的踏板以方便穿高跟鞋的女性上下车.其次，拥有公交卡的通勤者更多选择公交出行，意味着可以制定优惠措施(票价优惠、换乘优惠等)以提高公交卡的持有率，从而提高公共交通对低收入者的吸引力.

本文将可达性作为显变量纳入模型分析，今后可将可达性作为潜变量，通过建立含潜变量的结构方程来估计.此外，在出行方式选择过程中，还可以考虑出行方式链之间的相互影响.

References)

[1] 毕晓萤.面向城市低收入人群的交通改善策略研究[D].南京:东南大学交通学院，2013.

[2] Srinivasan S，Roger P.Travel behavior of low-income residents:studying two contrasting locations in the city of Chennai，India[J].Journal of Transport Geography，2005，13(3):265-274.

[3] Salon D，Gulyani S.Mobility，poverty，and gender:travel‘choices’of slum residents in Nairobi，Kenya[J].Transport Reviews，2010，30(5):641-657.

[4] Golob T F，McNally M G.A model of activity participation and travel interactions between household heads[J].Transportation Research Part B:Methodological，1997，31(3):177-194.

[5] Golob T F.Structural equation modeling for travel behavior research[J].Transportation Research Part B:Methodological，2003，37(1):1-25.

[6] Gould J，Golob T F.Shopping without travel or travel without shopping:an investigation of electronic home shopping[J].Transport Reviews，1997，17(4):355-376.

[7] Fujii S，Kitamura R.Evaluation of trip-inducing effects of new freeways using a structural equations model system of commuters'time use and travel[J].Transportation Research Part B:Methodological，2000，34(5):339-354.

[8] Kuppam A R，Pendyala R M.A structural equations analysis of commuters'activity and travel patterns[J].Transportation，2001，28(1):33-54.

[9] Chung J H，Ahn Y.Structural equation models of dayto-day activity participation and travel behavior in a developing country[J].Transportation Research Record:Journal of the Transportation Research Board，2002，1807:109-118.

[10] Fu X M，Juan Z C.Empirical analysis and comparisons about time-allocation patterns across segments based on mode-specific preferences[J/OL].Transportation，2014.http://link.springer.com/article/10.1007/s11116-014-9561-2.

[11] Venter C，Vokolkova V，Michalek J.Gender，residential location，and household travel:empirical findings from low-income urban settlements in Durban，South Africa[J].Transport Reviews，2007，27(6):653-677.

[12] 李志斌，杨晨，王炜，等.基于出行态度的自行车通勤出行市场划分[J].东南大学学报:自然科学版，2012，42(4):784-789.Li Zhibin，Yang Chen，Wang Wei，et al.Bicycle commuting market segmentation analysis using attitudinal factors[J].Journal of Southeast University:Natural Science Edition，2012，42(4):784-789.(in Chinese)

[13] 莫泰基.香港贫穷与社会保障[M].香港，中国:中华书局，1993:15-18.